PISCES: Physics-Informed Solar-wind Convolutional autoEncoder for Space-weather Anomaly Detection and Early Warning

📄 arXiv: 2609.28022v1 📥 PDF

作者: Kevin Lee, Alison J. March

分类: cs.LG, astro-ph.SR, cs.AI, physics.space-ph

发布日期: 2026-09-23

备注: Poster presented at NASA 5th Eddy Cross-Disciplinary Symposium, May 2026. Available at: https://github.com/magnaprog/PISCES

💡 一句话要点

提出PISCES以解决空间天气异常检测问题

🎯 匹配领域: 支柱八：物理动画 (Physics-based Animation)

关键词: 空间天气 异常检测 卷积自编码器 物理约束 太阳风 早期预警 机器学习

📋 核心要点

  1. 现有的空间天气预警方法依赖固定阈值，容易漏检复杂的磁场和等离子体结构。
  2. PISCES是一种物理信息驱动的卷积自编码器，利用物理约束对太阳风数据进行无标签训练。
  3. 实验结果表明，PISCES在异常检测中表现出更高的平均精度，并能提前发出警报。

📝 摘要（中文）

空间天气的早期预警依赖于在第一太阳-地球拉格朗日点（L1）检测太阳风瞬态，以便在其到达地球之前进行响应。现有的固定阈值方法可能会遗漏磁场和等离子体结构的组合，而许多学习方法仅提供单一的异常评分。本文提出了一种物理信息驱动的太阳风卷积自编码器（PISCES），该模型在物理约束下对OMNI太阳风测量数据进行训练，无需目录标签。其损失函数包括磁场一致性、温度与速度之间的经验关系、帕克螺旋角度以及对连续一分钟样本中重建量变化的惩罚。在推理阶段，PISCES将异常评分分解为磁场和等离子体重建误差、物理关系和残差修正，并报告每个贡献的大小。通过在验证数据上选择跳跃连接的衰减，提升了训练模型的平均精度，同时未训练的评分几乎保持不变。经过平滑处理后，警报能够在独立观察到的突发事件之前发出。

🔬 方法详解

问题定义：本文旨在解决空间天气异常检测中的关键问题，即现有方法在处理复杂的太阳风数据时容易漏检重要的磁场和等离子体结构，导致预警不准确。

核心思路：PISCES通过引入物理约束，利用卷积自编码器对太阳风数据进行训练，避免了对标签数据的依赖，从而提高了异常检测的准确性和可靠性。

技术框架：PISCES的整体架构包括数据输入、卷积自编码器模块、损失函数计算和异常评分分解等主要阶段。模型通过重建输入数据来学习特征，并在推理阶段分析异常来源。

关键创新：PISCES的主要创新在于其物理信息驱动的训练方式，结合了磁场一致性、温度与速度的关系等物理特性，使得模型在异常检测中能够更好地理解和利用物理规律。

关键设计：模型的损失函数设计包含多个部分，如磁场一致性、温度与速度的经验关系、帕克螺旋角度等，并对连续样本的变化施加惩罚。此外，跳跃连接的衰减选择基于验证数据，以优化模型性能。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果显示，PISCES在异常检测中的平均精度显著提高，经过平滑处理的警报能够在独立观察到的突发事件之前发出，展现出其在空间天气预警中的有效性和可靠性。

🎯 应用场景

该研究的潜在应用领域包括空间天气监测和预警系统，能够为航天任务、卫星操作和地面基础设施提供重要的预警信息。通过提高异常检测的准确性，PISCES有助于减少空间天气对人类活动的影响，提升应对能力。

📄 摘要（原文）

Space weather early warning depends on detecting solar wind transients in in-situ measurements at the first Sun-Earth Lagrange point (L1), before they reach Earth. Fixed thresholds can miss combined magnetic and plasma structure, and many learning methods provide a single anomaly score. We present the Physics-Informed Solar-wind Convolutional autoEncoder for Space-weather (PISCES), a convolutional autoencoder trained without catalog labels on OMNI solar wind measurements under physics constraints. Its loss includes magnetic field consistency, an empirical relation between temperature and velocity, the Parker spiral angle, and penalties on changes between consecutive one-minute samples in derived quantities calculated from the reconstruction. At inference, PISCES separates the anomaly score into magnetic and plasma reconstruction errors, physics relations, and residual corrections, and reports the magnitude of each contribution. Attenuation of the skip connections, selected on validation data, improves average precision for the trained models, while the untrained scores remain nearly the same. The trained models also give a more consistent ordering of these physical contributions. After smoothing with a trailing median, the alarms can precede independently observed sudden commencements, including positive sudden impulses.